Category: Social Sciences

Democrazia, mercato e scienza

~ Marco Piovesan ~ Leave a comment

Il nuovo libro di Daron Acemoglu, What Happened to Liberal Democracy?, parte da una domanda politica, ma contiene un’idea ancora più profonda.

Una società libera funziona solo se prende sul serio un fatto fondamentale: siamo fallibili e la conoscenza è dispersa. Nessuno possiede tutte le informazioni necessarie per decidere per gli altri. Per questo servono sperimentazione, discussione aperta, possibilità di dissentire e meccanismi capaci di mettere insieme conoscenze distribuite. Sono elementi centrali della concezione del liberalismo proposta da Acemoglu. (Financial Times)

Questa idea si collega a una convinzione che trovo sempre più importante.

Gran parte dello straordinario salto di benessere delle società moderne può essere interpretato come il risultato di tre grandi invenzioni istituzionali: scienza, democrazia e mercato.

A prima vista fanno cose completamente diverse. Ma hanno una caratteristica profonda in comune: sono tre modi di affrontare lo stesso problema, quello della conoscenza dispersa.

La scienza aggrega conoscenza su come funziona il mondo. Osservazioni ed esperimenti sono prodotti localmente, messi in comune, sottoposti a controllo empirico e critica, replicati quando possibile e continuamente corretti. La sua forza non deriva dall’infallibilità degli scienziati, ma esattamente dal contrario: dall’aver costruito istituzioni che assumono che ciascuno di noi possa sbagliare.

La democrazia mette in comune informazioni diverse: preferenze, bisogni, conoscenze locali e giudizi sulla performance di chi governa. Rappresentanza, competizione politica, libertà di espressione ed elezioni creano feedback. Non garantiscono decisioni corrette, ma rendono possibile sostituire chi sbaglia e correggere una politica senza dover presumere l’esistenza di un decisore onnisciente. L’idea della democrazia come meccanismo di aggregazione di conoscenza distribuita ha una lunga tradizione nella teoria della “epistemic democracy”. (Cambridge)

Il mercato affronta un terzo tipo di conoscenza dispersa: scarsità, costi, opportunità e valutazioni individuali. Prezzi, profitti e perdite permettono di coordinare milioni di decisioni senza che nessuna autorità centrale debba conoscere tutte le circostanze locali. È il problema reso celebre da Hayek: utilizzare una conoscenza che nessun singolo individuo possiede integralmente. (Associazione Economica Americana)

Scienza, democrazia e mercato sono quindi tre tecnologie sociali molto diverse, ma condividono una stessa architettura: decentralizzazione, sperimentazione, feedback e correzione degli errori.

Ed è qui che il ragionamento si incontra con Acemoglu.

La sua tesi è che la democrazia liberale abbia funzionato meglio quando è riuscita a combinare autogoverno, libera ricerca della conoscenza e prosperità condivisa. È entrata in crisi quando questa promessa si è indebolita: deindustrializzazione e tecnologie digitali hanno modificato la distribuzione dei benefici della crescita, una parte della working class ha perso peso economico e politico e le élite altamente istruite sono diventate sempre più separate dal resto della società. La risposta di Acemoglu è quello che chiama “working-class liberalism”: ricostruire prosperità condivisa, good jobs, comunità e partecipazione senza rinunciare alle libertà fondamentali e al pluralismo. (Penguin Random House)

Vista da questa prospettiva, la crisi della democrazia liberale non è soltanto una crisi di valori. È anche una crisi dei meccanismi di feedback.

Quando il sistema politico smette di ascoltare parti consistenti della popolazione, perde informazione.

Quando concentrazioni di potere economico riducono concorrenza e sperimentazione, il mercato perde informazione.

Quando conformismo, incentivi sbagliati o chiusura al dissenso prevalgono sulla critica, anche la scienza perde capacità di correggersi.

Nessuno dei tre sistemi è automaticamente efficiente. Proprio perché sono costruzioni istituzionali, possono produrre errori, cattura, polarizzazione, monopoli, esternalità, conformismo e cattiva informazione.

Questo è il punto che trovo più interessante.

Difendere scienza, democrazia e mercato in modo ideologico serve relativamente poco. Bisogna capire quali condizioni permettono loro di funzionare bene, quali incentivi ne distorcono il funzionamento e quali istituzioni preservano diversità, sperimentazione, feedback e capacità di correzione.

L’intelligenza artificiale rende la questione ancora più urgente. Acemoglu e coautori hanno recentemente mostrato teoricamente come un’AI capace di fornire risposte sempre migliori possa, paradossalmente, ridurre gli incentivi degli esseri umani ad acquisire e condividere conoscenza, impoverendo nel lungo periodo lo stock di conoscenza collettiva. (MIT Stone Center)

Come scienziati, quindi, il nostro compito è duplice: comprendere questi meccanismi – inclusi i loro failure modes – e contribuire a disegnare istituzioni e incentivi che li facciano funzionare meglio.

Forse il grande vantaggio istituzionale della modernità non è stato trovare persone che sapessero abbastanza da governare sistemi sempre più complessi.

È stato inventare sistemi che permettono alla società di sapere più di quanto possa sapere qualunque singolo individuo.

Il progresso comincia dal riconoscimento che nessuno è onnisciente.
E continua solo se costruiamo istituzioni capaci di scoprire e correggere i propri errori.

Democrazia, mercato e scienza

~ Marco Piovesan ~ Leave a comment

Il nuovo libro di Daron Acemoglu, What Happened to Liberal Democracy?, parte da una domanda politica, ma contiene un’idea ancora più profonda.

Una società libera funziona solo se prende sul serio un fatto fondamentale: siamo fallibili e la conoscenza è dispersa. Nessuno possiede tutte le informazioni necessarie per decidere per gli altri. Per questo servono sperimentazione, discussione aperta, possibilità di dissentire e meccanismi capaci di mettere insieme conoscenze distribuite. Sono elementi centrali della concezione del liberalismo proposta da Acemoglu. (Financial Times)

Questa idea si collega a una convinzione che trovo sempre più importante.

Gran parte dello straordinario salto di benessere delle società moderne può essere interpretato come il risultato di tre grandi invenzioni istituzionali: scienza, democrazia e mercato.

A prima vista fanno cose completamente diverse. Ma hanno una caratteristica profonda in comune: sono tre modi di affrontare lo stesso problema, quello della conoscenza dispersa.

La scienza aggrega conoscenza su come funziona il mondo. Osservazioni ed esperimenti sono prodotti localmente, messi in comune, sottoposti a controllo empirico e critica, replicati quando possibile e continuamente corretti. La sua forza non deriva dall’infallibilità degli scienziati, ma esattamente dal contrario: dall’aver costruito istituzioni che assumono che ciascuno di noi possa sbagliare.

La democrazia mette in comune informazioni diverse: preferenze, bisogni, conoscenze locali e giudizi sulla performance di chi governa. Rappresentanza, competizione politica, libertà di espressione ed elezioni creano feedback. Non garantiscono decisioni corrette, ma rendono possibile sostituire chi sbaglia e correggere una politica senza dover presumere l’esistenza di un decisore onnisciente. L’idea della democrazia come meccanismo di aggregazione di conoscenza distribuita ha una lunga tradizione nella teoria della “epistemic democracy”. (Cambridge)

Il mercato affronta un terzo tipo di conoscenza dispersa: scarsità, costi, opportunità e valutazioni individuali. Prezzi, profitti e perdite permettono di coordinare milioni di decisioni senza che nessuna autorità centrale debba conoscere tutte le circostanze locali. È il problema reso celebre da Hayek: utilizzare una conoscenza che nessun singolo individuo possiede integralmente. (Associazione Economica Americana)

Scienza, democrazia e mercato sono quindi tre tecnologie sociali molto diverse, ma condividono una stessa architettura: decentralizzazione, sperimentazione, feedback e correzione degli errori.

Ed è qui che il ragionamento si incontra con Acemoglu.

La sua tesi è che la democrazia liberale abbia funzionato meglio quando è riuscita a combinare autogoverno, libera ricerca della conoscenza e prosperità condivisa. È entrata in crisi quando questa promessa si è indebolita: deindustrializzazione e tecnologie digitali hanno modificato la distribuzione dei benefici della crescita, una parte della working class ha perso peso economico e politico e le élite altamente istruite sono diventate sempre più separate dal resto della società. La risposta di Acemoglu è quello che chiama “working-class liberalism”: ricostruire prosperità condivisa, good jobs, comunità e partecipazione senza rinunciare alle libertà fondamentali e al pluralismo. (Penguin Random House)

Vista da questa prospettiva, la crisi della democrazia liberale non è soltanto una crisi di valori. È anche una crisi dei meccanismi di feedback.

Quando il sistema politico smette di ascoltare parti consistenti della popolazione, perde informazione.

Quando concentrazioni di potere economico riducono concorrenza e sperimentazione, il mercato perde informazione.

Quando conformismo, incentivi sbagliati o chiusura al dissenso prevalgono sulla critica, anche la scienza perde capacità di correggersi.

Nessuno dei tre sistemi è automaticamente efficiente. Proprio perché sono costruzioni istituzionali, possono produrre errori, cattura, polarizzazione, monopoli, esternalità, conformismo e cattiva informazione.

Questo è il punto che trovo più interessante.

Difendere scienza, democrazia e mercato in modo ideologico serve relativamente poco. Bisogna capire quali condizioni permettono loro di funzionare bene, quali incentivi ne distorcono il funzionamento e quali istituzioni preservano diversità, sperimentazione, feedback e capacità di correzione.

L’intelligenza artificiale rende la questione ancora più urgente. Acemoglu e coautori hanno recentemente mostrato teoricamente come un’AI capace di fornire risposte sempre migliori possa, paradossalmente, ridurre gli incentivi degli esseri umani ad acquisire e condividere conoscenza, impoverendo nel lungo periodo lo stock di conoscenza collettiva. (MIT Stone Center)

Come scienziati, quindi, il nostro compito è duplice: comprendere questi meccanismi – inclusi i loro failure modes – e contribuire a disegnare istituzioni e incentivi che li facciano funzionare meglio.

Forse il grande vantaggio istituzionale della modernità non è stato trovare persone che sapessero abbastanza da governare sistemi sempre più complessi.

È stato inventare sistemi che permettono alla società di sapere più di quanto possa sapere qualunque singolo individuo.

Il progresso comincia dal riconoscimento che nessuno è onnisciente.
E continua solo se costruiamo istituzioni capaci di scoprire e correggere i propri errori.

Democrazia, mercato e scienza

~ Marco Piovesan ~ Leave a comment

Il nuovo libro di Daron Acemoglu, What Happened to Liberal Democracy?, parte da una domanda politica, ma contiene un’idea ancora più profonda.

Una società libera funziona solo se prende sul serio un fatto fondamentale: siamo fallibili e la conoscenza è dispersa. Nessuno possiede tutte le informazioni necessarie per decidere per gli altri. Per questo servono sperimentazione, discussione aperta, possibilità di dissentire e meccanismi capaci di mettere insieme conoscenze distribuite. Sono elementi centrali della concezione del liberalismo proposta da Acemoglu. (Financial Times)

Questa idea si collega a una convinzione che trovo sempre più importante.

Gran parte dello straordinario salto di benessere delle società moderne può essere interpretato come il risultato di tre grandi invenzioni istituzionali: scienza, democrazia e mercato.

A prima vista fanno cose completamente diverse. Ma hanno una caratteristica profonda in comune: sono tre modi di affrontare lo stesso problema, quello della conoscenza dispersa.

La scienza aggrega conoscenza su come funziona il mondo. Osservazioni ed esperimenti sono prodotti localmente, messi in comune, sottoposti a controllo empirico e critica, replicati quando possibile e continuamente corretti. La sua forza non deriva dall’infallibilità degli scienziati, ma esattamente dal contrario: dall’aver costruito istituzioni che assumono che ciascuno di noi possa sbagliare.

La democrazia mette in comune informazioni diverse: preferenze, bisogni, conoscenze locali e giudizi sulla performance di chi governa. Rappresentanza, competizione politica, libertà di espressione ed elezioni creano feedback. Non garantiscono decisioni corrette, ma rendono possibile sostituire chi sbaglia e correggere una politica senza dover presumere l’esistenza di un decisore onnisciente. L’idea della democrazia come meccanismo di aggregazione di conoscenza distribuita ha una lunga tradizione nella teoria della “epistemic democracy”. (Cambridge)

Il mercato affronta un terzo tipo di conoscenza dispersa: scarsità, costi, opportunità e valutazioni individuali. Prezzi, profitti e perdite permettono di coordinare milioni di decisioni senza che nessuna autorità centrale debba conoscere tutte le circostanze locali. È il problema reso celebre da Hayek: utilizzare una conoscenza che nessun singolo individuo possiede integralmente. (Associazione Economica Americana)

Scienza, democrazia e mercato sono quindi tre tecnologie sociali molto diverse, ma condividono una stessa architettura: decentralizzazione, sperimentazione, feedback e correzione degli errori.

Ed è qui che il ragionamento si incontra con Acemoglu.

La sua tesi è che la democrazia liberale abbia funzionato meglio quando è riuscita a combinare autogoverno, libera ricerca della conoscenza e prosperità condivisa. È entrata in crisi quando questa promessa si è indebolita: deindustrializzazione e tecnologie digitali hanno modificato la distribuzione dei benefici della crescita, una parte della working class ha perso peso economico e politico e le élite altamente istruite sono diventate sempre più separate dal resto della società. La risposta di Acemoglu è quello che chiama “working-class liberalism”: ricostruire prosperità condivisa, good jobs, comunità e partecipazione senza rinunciare alle libertà fondamentali e al pluralismo. (Penguin Random House)

Vista da questa prospettiva, la crisi della democrazia liberale non è soltanto una crisi di valori. È anche una crisi dei meccanismi di feedback.

Quando il sistema politico smette di ascoltare parti consistenti della popolazione, perde informazione.

Quando concentrazioni di potere economico riducono concorrenza e sperimentazione, il mercato perde informazione.

Quando conformismo, incentivi sbagliati o chiusura al dissenso prevalgono sulla critica, anche la scienza perde capacità di correggersi.

Nessuno dei tre sistemi è automaticamente efficiente. Proprio perché sono costruzioni istituzionali, possono produrre errori, cattura, polarizzazione, monopoli, esternalità, conformismo e cattiva informazione.

Questo è il punto che trovo più interessante.

Difendere scienza, democrazia e mercato in modo ideologico serve relativamente poco. Bisogna capire quali condizioni permettono loro di funzionare bene, quali incentivi ne distorcono il funzionamento e quali istituzioni preservano diversità, sperimentazione, feedback e capacità di correzione.

L’intelligenza artificiale rende la questione ancora più urgente. Acemoglu e coautori hanno recentemente mostrato teoricamente come un’AI capace di fornire risposte sempre migliori possa, paradossalmente, ridurre gli incentivi degli esseri umani ad acquisire e condividere conoscenza, impoverendo nel lungo periodo lo stock di conoscenza collettiva. (MIT Stone Center)

Come scienziati, quindi, il nostro compito è duplice: comprendere questi meccanismi – inclusi i loro failure modes – e contribuire a disegnare istituzioni e incentivi che li facciano funzionare meglio.

Forse il grande vantaggio istituzionale della modernità non è stato trovare persone che sapessero abbastanza da governare sistemi sempre più complessi.

È stato inventare sistemi che permettono alla società di sapere più di quanto possa sapere qualunque singolo individuo.

Il progresso comincia dal riconoscimento che nessuno è onnisciente.
E continua solo se costruiamo istituzioni capaci di scoprire e correggere i propri errori.

Apprendimento fragile e superficiale

~ Marco Piovesan ~ Leave a comment

Negli ultimi anni mi capita sempre più spesso di vedere studenti che consegnano testi scritti e presentazioni quasi perfette: slide ordinate, testo ben scritto, struttura chiara, flusso apparentemente logico, conclusioni ben formulate. A guardarle, sembrano ottimi lavori. Poi però arriva il momento della presentazione orale. E lì emerge il problema.

Gli studenti leggono quello che c’è scritto, seguono la scaletta, passano da una slide all’altra. Ma appena si chiede loro di spiegare davvero un concetto, di collegarlo a quello precedente, di applicarlo a un esempio diverso, molti si bloccano. Basta una domanda semplice: “Perché questo risultato segue da questa ipotesi?” “Che cosa c’entra questo concetto con quello visto la settimana scorsa?” “Qual è il meccanismo economico dietro questa affermazione?” “Come si collega questo punto alla struttura generale del corso?” Spesso la risposta non arriva. E non arriva perché, dietro la presentazione ben costruita, non c’è una comprensione altrettanto solida.

Il problema non è che alcuni studenti non sanno presentare, molti sono davvero bravi. Il problema è che non hanno capito fino in fondo quello che stanno presentando. Questo è uno degli effetti più preoccupanti che vedo oggi nella didattica universitaria: il prodotto finale sembra buono, a volte molto buono, ma il processo di apprendimento è debole. La forma è migliorata. La sostanza no. Molti studenti restano in superficie. Studiano i concetti uno alla volta, separati tra loro, spesso a memoria. Imparano una definizione, poi un modello, poi un grafico, poi un risultato, come se fossero blocchi indipendenti. Ma faticano a vedere la connessione tra quei blocchi.

In economia questo è un problema enorme. Capire economia non significa memorizzare una lista di concetti. Significa capire relazioni: tra incentivi e comportamenti, tra vincoli e scelte, tra preferenze e decisioni, tra istituzioni e risultati, tra teoria e dati. Eppure, vedo studenti che hanno difficoltà evidenti a collegare più di due concetti alla volta. Se chiedo di spiegare un concetto isolato, magari riescono a farlo. Se chiedo di collegarne due, a volte ci arrivano. Ma appena bisogna tenere insieme tre elementi — per esempio un’ipotesi teorica, un meccanismo comportamentale e un’implicazione empirica — molti perdono il filo. È come se mancasse la mappa.

Conoscono pezzi del programma, ma non vedono la scaletta del corso. Hanno studiato (male) capitoli, paragrafi, slide, appunti, ma non hanno capito perché un argomento viene prima di un altro, perché un modello prepara quello successivo, perché una certa distinzione ritorna più avanti, perché il libro o il corso sono costruiti in quel modo. Hanno forse informazioni, ma non struttura. E senza struttura, anche le informazioni corrette diventano fragili.

La tecnologia, e oggi soprattutto l’AI, rende tutto questo più visibile. Uno studente può produrre slide pulite, testo fluido, una presentazione con un buon flow. Può ottenere un output che sembra coerente anche se lui o lei non ha costruito davvero quella coerenza nella propria testa. Questo è il punto centrale. L’AI può scrivere una scaletta. Può migliorare il testo. Può rendere più elegante una spiegazione. Può suggerire una transizione tra una slide e l’altra. Può trasformare materiale confuso in una presentazione convincente. Ma non può imparare al posto dello studente. O meglio: può produrre il risultato esterno dell’apprendimento, senza produrre l’apprendimento interno. Ed è qui che nasce il rischio.

Se uno studente usa l’AI per chiarire qualcosa che ha già provato a capire, può essere uno strumento utile. Se la usa per sostituire il lavoro di comprensione, diventa una scorciatoia pericolosa. Perché la prima volta consegna un buon lavoro. La seconda volta sarà ancora più tentato di farlo. La terza volta avrà ancora meno basi per lavorare da solo. A quel punto il problema si accumula. Se non hai capito i concetti iniziali, come puoi capire quelli avanzati? Se non hai costruito le connessioni nelle prime settimane, come puoi interpretare un modello più complesso alla fine del corso? Se non sai spiegare perché un argomento viene dopo un altro, come puoi davvero dire di aver seguito il corso?

La presentazione perfetta diventa allora una maschera. E per un docente è una maschera difficile da gestire, perché non basta più guardare il prodotto finale. Bisogna andare dietro il prodotto. Bisogna chiedere: sai difendere quello che hai scritto? Sai spiegarlo con parole tue? Sai collegarlo al resto del corso? Sai usarlo in un contesto diverso? Sai dirmi perché questo passaggio è importante? Preferisco una presentazione meno elegante, ma in cui lo studente dimostra di aver capito. Preferisco una risposta esitante ma ragionata a una frase impeccabile che non appartiene davvero a chi la pronuncia.

Il problema, però, non riguarda solo gli studenti. Riguarda anche noi docenti. Se assegniamo compiti che possono essere completati producendo un buon output formale, otterremo buoni output formali. Se valutiamo troppo la chiarezza apparente, premieremo la chiarezza apparente. Se costruiamo corsi in cui gli studenti possono sopravvivere studiando tutto a compartimenti stagni, molti studieranno a compartimenti stagni. Dobbiamo quindi ripensare la valutazione.

Non possiamo limitarci a chiedere una presentazione. Dobbiamo chiedere una difesa della presentazione. Non solo “che cosa avete scritto?”, ma “perché lo avete scritto?” Non solo “qual è la definizione?”, ma “come si collega a quello che abbiamo visto prima?” Non solo “qual è il risultato?”, ma “quale meccanismo lo produce?” Dobbiamo fare domande che costringano a uscire dalla superficie. Domande che obblighino a collegare concetti. Domande che rivelino se lo studente ha una mappa mentale del corso o solo una lista di contenuti. Domande che distinguano chi ha memorizzato da chi ha capito.

Questo non significa demonizzare l’AI. Non credo che la soluzione sia semplicemente vietarla. Gli studenti useranno questi strumenti. Probabilmente li useranno nel lavoro. Il punto è insegnare loro a usarli senza rinunciare al pensiero. Il vero problema non è che l’AI aiuta a fare testi e slide migliori. Il problema è che può aiutare a nascondere il fatto che non si è imparato.

E allora la domanda diventa: quali attività didattiche costringono ancora gli studenti a pensare davvero? Quali compiti non possono essere risolti solo con una bella forma? Quali valutazioni mostrano se uno studente sa collegare, applicare, criticare, ricostruire? Perché l’apprendimento profondo non è sapere ripetere un contenuto. È sapere dove quel contenuto sta dentro una struttura più ampia.

Un deep learner non studia un concetto e poi lo dimentica quando passa al successivo. Cerca relazioni. Si chiede perché quel concetto è lì, che cosa spiega, che cosa non spiega, come si collega agli altri pezzi del corso. Un surface learner, invece, procede per blocchi separati. Studia per la prossima scadenza, per la prossima slide, per la prossima domanda possibile. Può anche ottenere buoni risultati formali, ma resta fragile appena il contesto cambia. Oggi vedo troppi studenti in questa seconda condizione.

Non tutti, naturalmente. Ci sono ancora studenti curiosi, profondi, capaci di fare domande vere, di collegare teoria e realtà, di andare oltre la richiesta minima. Ma sono pochi. O comunque meno di quanti vorrei. E questo dovrebbe preoccuparci. Perché l’università non dovrebbe servire solo a produrre materiali ben confezionati. Dovrebbe servire a costruire menti capaci di orientarsi tra concetti complessi.

In economia, come in molte altre discipline, il valore non sta nel sapere ripetere un modello, ma nel capire quando usarlo, quando non usarlo, che cosa illumina e che cosa lascia fuori. Una slide perfetta può dare l’impressione di competenza. Ma la competenza vera si vede quando la slide non basta più. Quando arriva una domanda imprevista. Quando bisogna collegare tre concetti. Quando bisogna spiegare la logica del corso, non solo il contenuto di una pagina. Quando bisogna ragionare.

Ed è lì che oggi, troppo spesso, scopriamo che sotto una superficie molto lucida c’è un apprendimento molto fragile.

La fiera del ridicolo

~ Marco Piovesan ~ Leave a comment

Ieri sono andato alla fiera della scienza organizzata nella scuola elementare di Zoe. Sulla carta, una bellissima idea: avvicinare bambini e bambine alla scienza, stimolare curiosità, farli sperimentare, portare le STEM nella scuola primaria. In un Paese che ha pochi figli, pochi laureati e competenze scolastiche in calo, iniziative del genere dovrebbero essere centrali.

Poi ci vai. E ti prende una tristezza profonda.Non perché l’idea sia sbagliata. Al contrario: è sacrosanta. Il problema è che quello che ho visto era l’ennesima rappresentazione simbolica dell’innovazione, più che innovazione vera. Una fiera della scienza quasi senza scienza.

C’erano educatori probabilmente volenterosi, ma lasciati soli. Persone mandate nelle scuole da qualche fondazione, cooperativa o ente intermedio con compensi bassi, poca formazione, scarso supporto e materiali insufficienti. A loro si chiede di “fare STEM” con bambini piccoli, classi difficili, famiglie distratte e strumenti quasi inesistenti. Quando il risultato è mediocre, però, è facile prendersela con loro. 

Una fiera della scienza ti aspetti dovrebbe essere un insieme di circuiti, fili elettrici, batterie, sensori, lenti, microscopi, ingranaggi, magneti, piccoli robot, software, dati. Dovrebbe far capire ai bambini che la scienza non è decorazione, ma metodo. Non è lavoretto, ma scoperta, è osservare un fenomeno, formulare un’ipotesi, fare una prova, sbagliare, correggere, misurare.

Invece ho visto soprattutto bricolage povero. Due rotoli di carta igienica finiti, tre tappi di plastica, un po’ di colla, qualche pennarello. Cose da scuola materna o da missione umanitaria in un paese del terzo mondo. Invece via alle celebrazioni e agli applausi: abbiamo fatto creatività, abbiamo fatto scienza, abbiamo fatto innovazione.

O meglio: abbiamo fatto STEAM. Ecco, l’immancabile STEAM: STEM più la A di arte. In teoria, nulla da obiettare. Il rapporto tra scienza, arte, design e creatività è importante. Il problema nasce quando la A non arricchisce la scienza, ma la sostituisce. Quando diventa un modo elegante per evitare matematica, tecnologia, esperimento, precisione, fatica cognitiva. Quando una fiera della scienza si trasforma in una fiera del lavoretto. A quel punto non stiamo integrando i saperi. Stiamo annacquando tutto a beneficio della maestra Concetta (nome ipotetico ma stranamente molto diffuso alle primarie) che non era brava in matematica e per questa ha fatto “scienze” dell’educazione.

Poi c’è la retorica. L’iniziativa viene presentata dal solito Tavecchio delle STEM, quello che sale sul palco e, con aria illuminata, spiega che è stato dato spazio anche alle bambine perché le STEM non sono solo per i maschi. Grazie al c.zzo. Davvero. Siamo commossi.

Il punto non è “dare spazio anche alle bambine”, come se fossero ospiti tollerate in un territorio maschile. Il punto è costruire un ambiente in cui bambine e bambini facciano scienza sul serio. In cui una bambina possa montare un circuito, programmare un sensore, smontare un oggetto, misurare una reazione, capire perché qualcosa funziona o non funziona. Non essere celebrata simbolicamente mentre incolla tappi di plastica (rosa) su un cartone (viola). La parità non si ottiene abbassando il livello e aggiungendo una frase inclusiva nella presentazione. Si ottiene dando accesso reale agli strumenti, alle competenze, al linguaggio e alla pratica della scienza.

Ieri, invece, ho visto anche altro: bambini spesso maleducati, poco abituati all’ascolto, alla concentrazione, al rispetto di chi prova a spiegare. E famiglie largamente disinteressate, presenti fisicamente ma assenti culturalmente. Genitori che guardano il telefono, chiacchierano, sorridono perché “che carini i bambini”, ma senza chiedersi se quell’esperienza stia davvero insegnando qualcosa.

Non è moralismo. È capitale umano. Se ogni attività scolastica è considerata buona purché sia “simpatica”, “creativa”, “inclusiva” e “partecipata”, allora il problema è enorme. Perché inclusione senza qualità è solo gestione gentile del declino. E creatività senza competenze è intrattenimento.

Il pezzo di Francesco Billari sul Corriere (qui allegato) dice una cosa semplice e durissima: l’Italia è un Paese sempre più vecchio e sempre più ignorante. Abbiamo pochi figli, pochi laureati, competenze in calo e disuguaglianze territoriali e sociali persistenti. In una situazione demografica di questo tipo, ogni bambino conta di più. Ogni ora di scuola pesa di più. Ogni occasione educativa sprecata è più grave.

Altri Paesi con problemi demografici simili ai nostri stanno investendo sui giovani. Noi spesso ci accontentiamo della messinscena: il progetto, il bando, la fondazione, la foto, il laboratorio, la parola inglese, la retorica dell’innovazione. Ma sotto resta poco. Pochi strumenti. Poca preparazione. Poco rigore. Poca ambizione.

E soprattutto una grande paura di dire che non tutto va bene. Che un progetto può essere lodevole nelle intenzioni e pessimo nella realizzazione. Che non basta portare “le STEM” a scuola se poi non c’è scienza. Che non basta parlare di bambine se poi non si danno loro strumenti veri. Che non basta dire STEAM se poi l’unica cosa che resta è un lavoretto da portare a casa.

La scuola italiana non ha bisogno di altre scenografie educative. Ha bisogno di sostanza. Ha bisogno di insegnanti ed educatori pagati meglio, selezionati meglio, formati meglio e sostenuti meglio. Ha bisogno di laboratori veri, non simbolici. Ha bisogno di più tempo scolastico di qualità. Ha bisogno di un curricolo meno frammentato e più solido. Ha bisogno di portare tutti, davvero tutti, più vicino alla soglia dell’università. Ha bisogno di dare ai bambini il gusto della difficoltà, non solo il conforto dell’espressione libera.

Perché la scienza è anche fatica. È attenzione. È precisione. È disciplina. È fallimento. È il momento in cui qualcosa non funziona e devi capire perché. È il contrario del “bravo, bellissimo” detto automaticamente davanti a un oggetto senza senso costruito con materiale di recupero.

Qualcuno dirà: meglio questo che niente. Non sono d’accordo. “Meglio questo che niente” è diventata la formula con cui giustifichiamo tutto: scuole senza strumenti, progetti senza qualità, educatori sottopagati, famiglie assenti, bambini non guidati, retorica al posto del contenuto. Ma quando un Paese è già in declino demografico e cognitivo, il “meglio che niente” non basta più. Diventa parte del problema.

Una fiera della scienza dovrebbe lasciare nei bambini una domanda nuova, non un oggetto da buttare. Dovrebbe far vedere che il mondo si può capire, misurare, trasformare. Dovrebbe far intuire che dietro una luce che si accende c’è un circuito, dietro un ponte che regge c’è una struttura, dietro un’app c’è codice, dietro un esperimento c’è un metodo.

Ieri ho visto buone intenzioni, retorica, povertà materiale e culturale. Ho visto adulti che si accontentano troppo facilmente. Ho visto bambini a cui non stiamo chiedendo abbastanza. Ho visto una scuola che vorrebbe parlare il linguaggio del futuro, ma spesso non ha nemmeno gli strumenti minimi del presente.

E questa è la cosa più triste: non la singola fiera riuscita male, ma il fatto che sembri normale. Non lo è. Ripeto: non lo è!

Se vogliamo davvero investire sui giovani, dobbiamo smettere di confondere l’innovazione con la sua rappresentazione. Dobbiamo pretendere più scienza nelle fiere della scienza, più tecnologia nei laboratori di tecnologia, più matematica quando parliamo di competenze, più serietà quando diciamo inclusione. Altrimenti continueremo a raccontarci che stiamo preparando i bambini al futuro, mentre li intratteniamo con due rotoli di carta igienica e tre tappi di plastica.